ورود به حساب

نام کاربری گذرواژه

گذرواژه را فراموش کردید؟ کلیک کنید

حساب کاربری ندارید؟ ساخت حساب

ساخت حساب کاربری

نام نام کاربری ایمیل شماره موبایل گذرواژه

برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید


09117307688
09117179751

در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید

دسترسی نامحدود

برای کاربرانی که ثبت نام کرده اند

ضمانت بازگشت وجه

درصورت عدم همخوانی توضیحات با کتاب

پشتیبانی

از ساعت 7 صبح تا 10 شب

دانلود کتاب Bayesian Modeling of Uncertainty in Low-Level Vision

دانلود کتاب مدل سازی بیزی برای عدم قطعیت در دیدگاه سطح پایین

Bayesian Modeling of Uncertainty in Low-Level Vision

مشخصات کتاب

Bayesian Modeling of Uncertainty in Low-Level Vision

ویرایش: 1 
نویسندگان:   
سری: The Kluwer International in Engineering and Computer Science 79 
ISBN (شابک) : 9781461289043, 9781461316374 
ناشر: Springer US 
سال نشر: 1989 
تعداد صفحات: 205 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 6 مگابایت 

قیمت کتاب (تومان) : 35,000



کلمات کلیدی مربوط به کتاب مدل سازی بیزی برای عدم قطعیت در دیدگاه سطح پایین: تصویربرداری کامپیوتری، بینایی، تشخیص الگو و گرافیک، کنترل، رباتیک، مکاترونیک، هوش مصنوعی (شامل رباتیک)



ثبت امتیاز به این کتاب

میانگین امتیاز به این کتاب :
       تعداد امتیاز دهندگان : 6


در صورت تبدیل فایل کتاب Bayesian Modeling of Uncertainty in Low-Level Vision به فرمت های PDF، EPUB، AZW3، MOBI و یا DJVU می توانید به پشتیبان اطلاع دهید تا فایل مورد نظر را تبدیل نمایند.

توجه داشته باشید کتاب مدل سازی بیزی برای عدم قطعیت در دیدگاه سطح پایین نسخه زبان اصلی می باشد و کتاب ترجمه شده به فارسی نمی باشد. وبسایت اینترنشنال لایبرری ارائه دهنده کتاب های زبان اصلی می باشد و هیچ گونه کتاب ترجمه شده یا نوشته شده به فارسی را ارائه نمی دهد.


توضیحاتی در مورد کتاب مدل سازی بیزی برای عدم قطعیت در دیدگاه سطح پایین



Vision باید با عدم قطعیت مقابله کند. حسگرها دارای نویز هستند، دانش قبلی نامشخص یا نادرست است، و مشکلات بازیابی اطلاعات صحنه از تصاویر اغلب نامناسب یا محدود هستند. این تک نگاری پژوهشی که بر اساس مدرک دکتری ریچارد شلیسکی تهیه شده است. پایان نامه در دانشگاه کارنگی ملون، یک مدل بیزی برای نمایش و پردازش عدم قطعیت در دید سطح پایین ارائه می کند. اخیراً مدل های احتمالی در بینایی پیشنهاد و استفاده شده است. روش Sze liski دارای چند ویژگی متمایز است که این تک نگاری را مهم و جذاب می کند. ابتدا، او یک چارچوب تخمین احتمالی بیزی سیستماتیک را ارائه می‌کند که در آن می‌توانیم مدل قبلی، مدل حسگر و مدل پسین را تعریف و محاسبه کنیم. دوم، روش او نه تنها بهترین تخمین‌ها، بلکه سطح عدم قطعیت آن تخمین‌ها را با استفاده از آمار مرتبه دوم، یعنی واریانس و کوواریانس، نشان می‌دهد و به صراحت محاسبه می‌کند. سوم، الگوریتم‌های توسعه‌یافته از نظر محاسباتی برای میدان‌های متراکم، مانند نقشه‌های عمقی که از داده‌های استریو یا فاصله یاب ساخته شده‌اند، به جای مجموعه داده‌های پراکنده، قابل پردازش هستند. در نهایت، Szeliski کاربردهای موفقیت آمیز این روش را برای چندین مشکل دنیای واقعی نشان می دهد، از جمله تولید سطوح فراکتال، تخمین حرکت بدون تطابق با استفاده از داده های محدوده پراکنده، و عمق افزایشی از حرکت.


توضیحاتی درمورد کتاب به خارجی

Vision has to deal with uncertainty. The sensors are noisy, the prior knowledge is uncertain or inaccurate, and the problems of recovering scene information from images are often ill-posed or underconstrained. This research monograph, which is based on Richard Szeliski's Ph.D. dissertation at Carnegie Mellon University, presents a Bayesian model for representing and processing uncertainty in low­ level vision. Recently, probabilistic models have been proposed and used in vision. Sze­ liski's method has a few distinguishing features that make this monograph im­ portant and attractive. First, he presents a systematic Bayesian probabilistic estimation framework in which we can define and compute the prior model, the sensor model, and the posterior model. Second, his method represents and computes explicitly not only the best estimates but also the level of uncertainty of those estimates using second order statistics, i.e., the variance and covariance. Third, the algorithms developed are computationally tractable for dense fields, such as depth maps constructed from stereo or range finder data, rather than just sparse data sets. Finally, Szeliski demonstrates successful applications of the method to several real world problems, including the generation of fractal surfaces, motion estimation without correspondence using sparse range data, and incremental depth from motion.



فهرست مطالب

Front Matter....Pages i-xix
Introduction....Pages 1-13
Representations for low-level vision....Pages 15-48
Bayesian models and Markov Random Fields....Pages 49-58
Prior models....Pages 59-82
Sensor models....Pages 83-97
Posterior estimates....Pages 99-119
Incremental algorithms for depth-from-motion....Pages 121-148
Conclusions....Pages 149-153
Back Matter....Pages 155-198




نظرات کاربران